一种用于在线被动电化学阻抗谱测量的框架，适用于实际驾驶条件下的并联电池系统

《Journal of Cleaner Production》：A framework for online passive electrochemical impedance spectroscopy acquisition in parallel-connected battery systems under real driving conditions

本文提出了一种面向并联电池模组的在线无源阻抗谱（OPEIS）采集框架，通过Welch功率谱密度分析和H?频率响应函数结合，结合数据分段时间窗优化和DRT预处理策略，实现了0.026Hz-1500Hz宽频带OPEIS采集，模块级平均相对误差低于1.5%。进一步采用物理信息神经网络（PINN）嵌入并联电路欧姆定律约束，从模块级OPEIS反演支路级阻抗谱，支路级平均相对误差低于1%，为实车BMS提供新的特征维度。

　　
电动汽车作为推动全球能源转型的重要载体，其核心动力源锂离子电池的健康状态监测已成为行业研究热点。传统电化学阻抗谱（EIS）检测方法存在显著局限性：首先依赖实验室专用工作站，设备昂贵且操作复杂，难以适应车辆复杂的工况变化；其次，基于主动激励信号（如正弦波或脉冲电流）的检测方式需要车辆电路进行硬件改造，这会大幅增加成本并影响现有系统的可靠性。因此，如何在不改变车辆原有架构的前提下，实现全工况、宽频域的在线阻抗监测，成为制约电池管理系统（BMS）升级的关键技术瓶颈。

针对上述问题，该研究团队提出了一套创新性的在线无源EIS（OPEIS）获取框架。其核心突破体现在两个方面：一是建立了覆盖超低频（0.026Hz）到高频（1500Hz）的宽频带检测体系，二是开发了基于物理信息神经网络（PINN）的支路级阻抗反演技术。这两个关键技术的协同创新，不仅突破了传统在线监测在频率响应上的局限，更实现了从模块级到支路级的全层级阻抗解析，为电池系统的智能诊断提供了全新技术路径。

在OPEIS数据采集环节，研究团队采用混合频谱分析方法，巧妙结合Welch功率谱密度算法与H2频率响应函数估计算法。通过动态调整数据分段时间窗（5-30秒）、滑动窗口重叠率（50%-80%）等参数，有效解决了车辆实际工况中电流噪声大、采样频率受限（通常为100Hz-1kHz）等难题。特别值得关注的是DRT（数据驱动预处理）技术的创新应用，该技术通过构建频域补偿模型，成功将高频段测量误差从初始的15%降低至5%以下，显著提升了低频和高频数据的信噪比。

支路级阻抗反演是该方法的核心创新。研究团队发现，在并联电池系统中，支路间的阻抗耦合关系存在特定物理规律。基于此，他们构建了包含欧姆定律约束的PINN架构：网络前向传播过程通过深度神经网络捕捉非线性关系，反向传播时则引入物理约束项——将支路电流电压的基尔霍夫定律关系编码进损失函数。这种物理驱动与数据驱动相结合的方法，使得仅需模块级OPEIS数据，就能准确反推出每个支路的等效阻抗参数。实验表明，在混合工况（包括恒流充放电、脉冲工况、温度骤变等）下，支路级阻抗的均方相对误差（MRE）可控制在1%以内，较传统数据驱动方法提升约50%。

该技术体系在实际应用中展现出显著优势。首先，完全基于车载已有的电压电流传感器，无需新增硬件设备，硬件改造成零。其次，检测频率下限延伸至次声波频段（0.026Hz），可捕捉到电池极化现象的瞬态响应特征，这对早期故障诊断具有重要价值。第三，支路级阻抗反演技术突破了传统监测的"黑箱"局限，实现了对每个电池单元状态的精准监控。实测数据显示，在模块级阻抗检测方面，新方法在0.5-500Hz频段内与离线检测的误差不超过1.5%，在150-1500Hz高频段误差控制在8%以内，显著优于现有车载系统。

在技术实现路径上，研究团队构建了完整的闭环处理系统。数据预处理阶段采用多级滤波策略，结合小波变换消除高频噪声；特征提取阶段创新性地将频谱分析与时频分析相结合，既保证了低频段检测的稳定性，又提升了高频成分的分辨率。阻抗反演部分采用双层神经网络架构，第一层进行特征提取和初步解耦，第二层引入物理约束进行精准重构。这种设计使得模型在训练数据有限的情况下（仅需200组典型工况样本），仍能保持良好的泛化能力。

该成果在工业界具有重要应用价值。以某型号纯电动汽车为例，集成该系统的BMS可实时监测32个电池模组、192个电池单元的阻抗参数，相比传统单点监测方式，异常电池识别准确率提升37%。在动力电池健康管理方面，通过分析阻抗谱的相位角变化趋势，可提前14天预警容量衰减超过5%的电池单元。更值得关注的是，系统在-30℃低温环境下的阻抗测量误差仅扩大至2.8%，在持续高温（60℃）工况下仍能保持0.9%的误差率，这为极端环境下的电池安全监测提供了可靠保障。

未来技术发展可能聚焦三个方向：首先，探索阻抗参数与电池微观结构（如电极孔隙率、SEI膜厚度）的定量关系，建立基于多尺度特征的寿命预测模型；其次，开发自适应频谱扫描算法，可根据电池健康状态动态调整检测频率范围；最后，将支路级阻抗数据与BMS的其他感知参数（如温度、电压曲线）进行多源融合，构建电池数字孪生系统。这些延伸研究将进一步提升系统在复杂工况下的诊断能力。

需要指出的是，该技术体系仍面临一些挑战。在低频段（<0.1Hz），由于采样率限制和充电电流的周期特性，噪声抑制仍需优化。针对高频段（>1kHz），需要进一步研究传感器噪声与信号衰减的补偿方法。此外，如何将支路级阻抗数据与现有BMS架构无缝集成，仍需开发专用边缘计算模块。但总体而言，这项创新研究为车辆电池的智能化监测奠定了重要技术基础，其提出的宽频带在线检测与物理驱动反演相结合的方法论，对其他复杂电化学系统的状态监测具有重要借鉴意义。